ரோபோட்டிக்ஸ் எழுச்சி உண்மையில் கற்றல் முறைகளைப் பற்றிய கதை
மனிதவடிவ ரோபோட்டிக்ஸ் மீண்டும் தீவிரமான முதலீட்டை ஈர்க்கிறது, ஆனால் இங்கே ஏற்பட்ட மிக முக்கியமான மாற்றம் அழகியல் ஆசையோ அறிவியல்-கற்பனை விளம்பரமோ அல்ல. அது முறைமை சார்ந்த மாற்றம். இந்த புதிய ஆர்வ அலை, உலகில் இயங்க ரோபோக்களை எப்படிப் பயிற்றுவிக்கிறார்கள் என்பதில் ஏற்பட்ட மாற்றத்தைத் தொடர்ந்து வருகிறது; அந்த மாற்றம் நீண்டகால ஆசையை அதிக முதலீடு செய்யத்தக்க துறையாக மாற்ற உதவுகிறது.
மூலப் பொருளின்படி, நிறுவனங்களும் முதலீட்டாளர்களும் 2025-ல் மனிதவடிவ ரோபோக்களில் $6.1 பில்லியன் முதலீடு செய்தனர், இது 2024-இன் அளவின் நான்கு மடங்கு. தனியே பார்த்தாலும் இது கவனம் ஈர்க்கும் எண்ணிக்கை. ஆனால் இந்த எழுச்சிக்கான வலுவான விளக்கம், கட்டுரையால் வலியுறுத்தப்படும் ஒன்றே: ரோபோட்டிக்ஸ் இப்போது பெரும்பாலும் கடின உழைப்பால் கையால் எழுதப்பட்ட விதிகளின் மீது சார்ந்திருப்பதைவிட்டு, குழப்பமான நிஜ உலக சூழல்களுக்கு சிறப்பாக பொருந்தும் கற்றல் வடிவங்களின் பக்கம் நகர்ந்துள்ளது.
பழைய அணுகுமுறை ஏன் எல்லைகளை சந்தித்தது
பல ஆண்டுகளாக, ரோபோட்டிக்ஸ் கோட்பாட்டில் உயரமாகவும் நடைமுறையில் குறுகலாகவும் இருந்தது. மாறும் சூழல்களில் நகர்ந்து, மனிதர்களுடன் பாதுகாப்பாக தொடர்புகொள்ளக்கூடிய, தழுவிக்கொள்ளும் உதவிகர இயந்திரங்களை ஆராய்ச்சியாளர்கள் விரும்பினர். ஆனால் துறையின் நிஜ உலக வெளியீட்டின் பெரும்பகுதி சிறப்பு நோக்குடையதும் கட்டுப்பட்டதுமானதாகவே இருந்தது. அறிவியல்-கற்பனை ஆசைகளுக்கும் தொழில்துறை கரங்களும் வீட்டுப் பயன்பாட்டு ரோபோக்களும் கொண்ட நிஜத்துக்கும் இடையிலான அந்த பொருந்தாமையை கட்டுரை தெளிவாக காட்டுகிறது.
ரோபோட்டிக்ஸின் பழைய கைத்திறன், பொறியாளர்கள் சாத்தியங்களை முன்கூட்டியே கணித்து, அவற்றை வெளிப்படையாக குறியிட வேண்டும் என்று கேட்டுக்கொண்டது. உதாரணமாக, ஒரு ரோபோ துணிகளை மடிக்க வேண்டுமெனில், காலர் அடையாளம் காணுதல், கைப்பகுதிகளை கண்டறிதல், சுழற்சிக்கேற்ப சரிசெய்தல், மடிப்பு திருத்துதல், மாற்றத்தைக் கட்டுப்படுத்துதல் போன்ற விதிகளை வரையறுக்க பொறியாளர்கள் முயற்சி செய்யலாம். நன்கு வரையறுக்கப்பட்ட பணிகளில் அது வேலை செய்யலாம், ஆனால் சூழல்கள் மாறுபடத் தொடங்கும்போது விதிகளின் எண்ணிக்கை வேகமாக அதிகரிக்கிறது.
இந்த அணுகுமுறை கட்டமைக்கப்பட்ட சூழல்களில் நம்பகமான அமைப்புகளை உருவாக்கியது, ஆனால் பொதுமைப்படுத்துவதில் அது சிரமப்பட்டது. ஒரு ரோபோ நிச்சயமற்ற பொருட்கள், மாறும் நிலைகள், மற்றும் முழுமையற்ற தகவல்களை அதிகமாகச் சமாளிக்க வேண்டியபோது, கையால் எழுதப்பட்ட வழிகாட்டுதல்கள் மேலும் மேலும் நெகிழ்ச்சியற்றதாக மாறின.
கற்றலுக்கான மாற்றம்
2015 சுற்றிய காலத்தில் ஒரு திருப்புமுனை ஏற்பட்டதாக கட்டுரை சுட்டுகிறது; அப்போது மேம்பட்ட ரோபோட்டிக்ஸ் சிமுலேட்டட் பயிற்சி மற்றும் முயற்சி-தவறு மேம்பாட்டை அதிகமாக நோக்கத் தொடங்கியது. ஒவ்வொரு வழிமுறையையும் கைமுறையாக எழுதுவதற்கு பதிலாக, ஆராய்ச்சியாளர்கள் டிஜிட்டல் சூழல்களை உருவாக்கி, வெற்றிக்கான வெகுமதி சிக்னல்களை வரையறுத்து, மீண்டும் மீண்டும் முயற்சிகள் மூலம் அமைப்புகள் தங்களை மேம்படுத்த அனுமதிக்க முடிந்தது. இது சில முன்கால AI அமைப்புகள் விளையாட்டுகளை கற்றுக்கொண்ட முறைக்கு கருத்துரீதியாக ஒத்தது.
இந்த மாற்றம் முக்கியமானது, ஏனெனில் அது முயற்சி எங்கே செல்கிறது என்பதை மாற்றியது. நிஜ உலகில் உள்ள ஒவ்வொரு சாத்தியமான வழக்கையும் பட்டியலிட முயல்வதற்குப் பதிலாக, பயனுள்ள நடத்தையை அனுபவத்தின் மூலம் கற்றுக்கொள்ளக்கூடிய சூழல்கள், குறிக்கோள்கள், மற்றும் மாதிரிகளை வடிவமைப்பதில் பொறியாளர்கள் கவனம் செலுத்த முடிந்தது. இதனால் சிரமம் நீங்கிவிடவில்லை. நிஜ உலக ரோபோட்டிக்ஸ் இன்னும் கடுமையானதே. ஆனால் அது துறையை பரந்த இயந்திரக் கற்றல் புரட்சியுடன் மேலும் பொருந்தக்கூடியதாக ஆக்கியது.
அடுத்த வேக உயர்வு 2022க்கு பிறகு வந்தது; பெரிய மொழி மாதிரிகள் பெரிய தரவுத்தொகுப்புகளில் பயிற்சி பெற்ற அமைப்புகள் சக்திவாய்ந்த முன்கூட்டிக் கணிப்பாளர்களாக மாற முடியும் என்பதை காட்டின. மூலத்தின் படி, ரோபோட்டிக்ஸ்க்கு ஏற்ப மாற்றப்பட்ட தொடர்புடைய மாதிரிகள் படங்கள், சென்சார் வாசிப்புகள், மற்றும் இணைப்பு நிலைகளை எடுத்துக்கொண்டு, ஒரு ரோபோ அடுத்ததாக செய்ய வேண்டிய செயலைக் கணிக்க முடியும். இது விதி-அடிப்படையிலான நிரலாக்கத்தையும் தூய முயற்சி-தவறு சுழற்சிகளையும் விட குறிப்பிடத்தகுந்த முன்னேற்றம்.
முதலீட்டாளர்கள் இப்போது ஏன் கவனம் செலுத்துகிறார்கள்
மூலதனம் பொதுவாக கதையை அல்ல, திறன் மாற்றங்களைப் பின்தொடரும். ரோபோக்கள் இப்போது உடல் சூழல்களின் கணிக்க முடியாத தன்மைக்கு நன்றாகப் பொருந்தும் முறைகளில் கற்றுக்கொள்ள முடியும் என்ற நம்பிக்கைக்கு முதலீட்டாளர்கள் பதிலளிக்கிறார்கள் என்று கட்டுரை கூறுகிறது. பலவகை உள்ளீடுகளை உறிஞ்சி, அடுத்த செயல்பாட்டை ஊகிக்கக்கூடிய ஒரு அமைப்பு, ஒவ்வொரு ஓரக்கேஸையும் முன்னதாகவே பொறியாளர்கள் எழுத வேண்டும் என்ற அமைப்பை விட நடைமுறைத் தழுவலுக்கு அருகிலிருப்பதாகத் தெரிகிறது.
இது குறிப்பாக மனிதவடிவ வகையில் முக்கியமானது. முதலீட்டாளர்கள் மனிதவடிவ ரோபோக்களை அவை பரிச்சயமாகத் தோன்றுவதாலேயே ஆதரிக்கவில்லை. அதிக பொதுப்பயன் கற்றல் முறைகள் இறுதியாக அதிக பொதுப்பயன் இயந்திரங்களை ஆதரிக்கக்கூடும் என்ற சாத்தியத்தில் அவர்கள் முதலீடு செய்கிறார்கள்.
அது இன்னும் நிரூபிக்கப்பட்ட உண்மை அல்ல; ஒரு முன்மொழிவே. பலர் கற்பனை செய்யும் இயந்திரங்கள் இன்னும் முழுமையாக உருவாக்கப்படவில்லை என்பதைக் கட்டுரை தெளிவாகக் கூறுகிறது. ஆனால் இந்த நிதி எழுச்சி, ஆசை மற்றும் செயலாக்கம் இடையிலான இடைவெளி சில ஆண்டுகளுக்கு முன்பிருந்ததை விட இப்போது குறைவாக இருப்பதாக சந்தை பார்க்கிறது என்பதை காட்டுகிறது.
ஆழமான முக்கியத்துவம்
தற்போதைய தருணத்தின் உண்மையான முக்கியத்துவம், ரோபோட்டிக்ஸ் நவீன AI அடுக்குடன் இன்னும் நெருக்கமாக ஒருங்கிணைவதில்தான். கணிப்பின் அடிப்படையில் இயங்கும் மாதிரிகள், சிமுலேஷனில் பயிற்சி பெற்ற அமைப்புகள், மற்றும் செறிந்த சென்சார் ஃப்யூஷன் ஆகியவை ரோபோட்டிக்ஸை முன்னேற்றம் முன்பை விட வேகமாக சேர்க்கக்கூடிய ஒரு நிலைக்குத் தள்ளுகின்றன, குறிப்பாக பெரும்பாலும் கைவேலை முறைகளின் கீழ் இருந்த காலத்துடன் ஒப்பிட்டால்.
அதனால் எந்த ஒரு நிலையான காலக்கெடுவிலும் பரவலான வீட்டுப் பயன்பாடு அல்லது தொழிலாளர் மாற்றம் உறுதி செய்யப்படுகிறது என்பதல்ல. ரோபோட்டிக்ஸ் இன்னும் வன்பொருள் செலவு, பாதுகாப்பு, நீடித்தன்மை, வெளியீட்டு சிக்கல், மற்றும் கட்டுப்படுத்தப்பட்ட சூழல்களுக்கு வெளியே நம்பகமான செயல்பாடு ஆகிய சவால்களைச் சமாளிக்க வேண்டியுள்ளது. ஆனால் மூலத்தில் விவரிக்கப்பட்டுள்ள இந்த கற்றல் முன்னேற்றம் துறையின் மைய ஈர்ப்பை மாற்றுகிறது.
பயன்தன்மை குறித்த உரையாடலையும் இது மறுவடிவமைக்கிறது. பொருளாதார ரீதியாக அர்த்தமுள்ளதாக மாற ஒரு ரோபோ தொடக்கத்தில் குறையற்ற பொதுச் சேவகராக இருக்க வேண்டிய அவசியமில்லை. புதிய கற்றல் முறைகள் இயந்திரங்களுக்கு குறைந்த நெகிழ்ச்சியற்ற நிரலாக்கத்துடன் பரந்த பணிகளைச் சமாளிக்க அனுமதித்தால், அவை படிப்படியாக மதிப்புடையதாக மாறலாம்; முதலில் கட்டுப்பட்ட ஆனால் குறைவாக கடுமையான சூழல்களில், பின்னர் சாத்தியமாக அதையும் தாண்டி.
முடிந்த கதை அல்ல, புதிய அத்தியாயம்
2025-ஆம் ஆண்டின் ரோபோட்டிக்ஸ் எழுச்சி திடீர் அதிசயமாக இல்லாமல், பல ஆண்டுகளாக உருவாகி வந்த தொழில்நுட்ப மறுவழிப்பாட்டின் விளைவாகவே தெரிகிறது. இந்த துறை ஒவ்வொரு அவசர நிலையும் முன்கூட்டியே கணிப்பதிலிருந்து, தரவு, சிமுலேஷன், மற்றும் பலவகைச் சூழல் தகவல்களில் இருந்து செயல் முறைமைகளை கற்றுக்கொள்ளக்கூடிய அமைப்புகளை உருவாக்குவதற்குப் பெயர்மாற்றம் கண்டுள்ளது. முதலீட்டாளர்கள் இதைக் கவனித்துள்ளனர், மற்றும் $6.1 பில்லியன் என்ற எண்ணிக்கை அந்த மாற்றத்தை வலியுறுத்துகிறது.
இந்த பணம் நிலையான முடிவுகளை தருமா என்பது, இந்த கற்றல் முறைகள் நம்பிக்கை தரும் காட்சிகளிலிருந்து நம்பகமான உடல் அமைப்புகளாக எவ்வளவு நன்றாக மாறுகின்றன என்பதையே சார்ந்திருக்கும். ஆனால் கட்டுரை அடிப்படையான ஒன்று மாறிவிட்டது என்ற வலுவான வாதத்தை முன்வைக்கிறது. ரோபோட்டிக்ஸ் இனி சிறந்த விதிகளை எழுதுவதால் மட்டும் முன்னேறுவதில்லை. இயந்திரங்கள் அடுத்து என்ன செய்ய வேண்டும் என்பதை எப்படி கற்றுக்கொள்கின்றன என்பதையே மாற்றுவதன் மூலம் அது முன்னேறுகிறது.
இந்தக் கட்டுரை MIT Technology Review செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.
